#数据存储/PGSQL 1 概念 1.1 PGSQL 与 MySQL 在开源方面，PostgreSQL 是一个完全开源的数据库管理系统，MySQL 分为两个版本：开源版本和商业版本。 数据类型方面，PostgreSQL 提供了丰富的内置数据类型，包括数组、JSON、HSTORE（键值对）等。 PostgreSQL 对 SQL 标准的支持较好，支持更多高级 SQL 功能。 性能方面，PostgreSQL 支持表分区、并行查询和内置的复制功能，使其适用于大规模应用。 1.2 schema 在 PostgreSQL 中，schema 是一个命名空间，它可以包含数据库对象的名称，如表、视图、索引、数据类型、函数以及运算符。在一个数据库中可以存在多个 schema，它们都有各自的命名空间。这使得多个用户可以在同一个数据库中使用相同的表名，因为它们在不同的 schema 中。 相关 SQL 命令： CREATE SCHEMA：创建一个新的 schema， DROP SCHEMA：删除一个 schema ALTER SCHEMA：更改一个已存在的 schema 的属性 2 建立服务器环境 1 ...

1 模型下载 Stable Diffusion (简称 SD) 模型主要从 Huggingface, github, Civitai 下载。 Huggingface：主要提供主流 AI 绘画模型下载。 github：也有一些小模型放在 github 下供下载使用。 Civitai：AI 艺术共享平台，可下载海量 SD 开源模型（推荐）。 2 模型类别 SD 支持不同类型的模型，比如：基础模型，Lora，ControlNet，VAE，CLIP 等。模型扩展名一般为 ckpt，safetensors，pt，pth 等。下面介绍几种最重要的模型。 3 基础模型 3.1 介绍 基础模型一般包含完整的 TextEncoder、U-Net、VAE。 模型大小一般为 2-8G，真实风格模型相对 2D 风格模型更大。 目前最新的模型是 SDXL 1.0（约占 8G 显存），最常用的模型是 SD 1.5（约占 4G 显存）。 需要手工下载后，复制到 models/Stable-diffusion/ 目录下，才可识别和使用。 3.2 推荐 v1-5-pruned-emaonly：默认模型，偏真实风格，可 ...

一周之内体验了：Diffusion，CLIP，Segment Anything，Insightface，LoRA，ConnectNet 诸多算法的实际应用，全部是本地部署，0 花费。 1 选择 AI 绘画工具 目前 Ai 绘画界有两大主流工具，Midjourney（简称 MJ）和 Stable Diffusion（称 SD）。 MJ 于 2022 年 3 月首次面世，已从 V3 模型发展至 V5 模型，SD 由 Stability AI 公司和非营利研究人员在 2022 年 8 月推出的，可在本地免费部署。 MJ 更适合新手入门，10 刀/月，30 刀/月，60 刀/月三档收费；低付费的图片是共享的，高付费服务能一对一出图；学习提示词门槛低；有一定的审核要求，敏感词比较多；少量设置后的画面看起来就很炫，但不太受控，自娱自乐还行，难以稳定输出。 SD 可以设置大量参数，下载海量模型，本地部署，提示词百无禁忌，针对实际工作中的目标，更需要 SD 来定制。它需要本地硬件支持，以及更高的学习成本。 如果只想玩一下，国内也有一些免费平台，浏览器端和手机端微信端都有，就是生成效果比较差。 从两个 ...

1 介绍 本文将介绍 Stable Diffusion 的具体使用方法。首先，介绍界面中的重要元素，如图所示： 1. 基础模型：基础模型是最重要的设置项 文生图：选项卡列出了各大功能，文生图指通过文字生成图片 图生图：图生图指通过图片和文字生成图片 修复照片：用于优化图片，提升精度，常用来修复旧照片 设置：软件设置，VAE 模型可在此设置 插件：用于安装和管理插件，注意命令行启动时应允许安装插件 提示词：提示词分为正向提示和负向提示，负向提示用于限制可能的问题 采样方式：常用 Euler a，DPM2++2M Karras 提示词相关性：设置画面与提示词的相关性，一般设为 5-10，如果太高，色彩会过于饱和 扩展模型：设置基础模型的附加模型，Embedding 和 LoRA 模型就在此设置（换了模型后，要刷新一下 LoRA，才能显示对应版本的 LoRA） 生成按钮：按此按钮生成图片 2 提示词 2.1 提示词格式 提示词用于描述待生成的图像内容 提示词可支持中文，但不如英文理解的好 多个提示词可用逗号隔开，无需符合英文语法 对提示词加权重： 用小括号把关键词括起来（curly ...

1234567英文名称: High-Resolution Image Synthesis with Latent Diffusion Models中文名称: 使用潜空间扩散模型合成高分辨率图像地址: https://ieeexplore.ieee.org/document/9878449/代码: https://github.com/CompVis/latent-diffusion作者：Robin Rombach日期: 2022-06-01引用: 2275 1 读后感 Latent Diffusion Models（LDMs）基于潜空间的扩散模型，是目前主流的基础模型，Stable diffusion 就是基于 LDMs 原理工作的。之前的扩散模型运算都在像素层面，优化通常会消耗数百个 GPU 天，且评估和推理成本也很高。LDMs 大量自编码器的运算基于潜空间数据，降低了计算复杂度，从而大幅节省了算力，并保持了图像质量和灵活度，它让更多人可以训练模型。其应用场景包含有条件（根据文本或图像生成图像）和无条件（去噪/着色/根据涂鸦合成）的图像生成。 研究背景和动机 扩散模型是由逐层去噪的自 ...

1 方法一：使用 time 函数 12345678import timestart = time.clock()#待统计程序段dur = (time.clock() - start)print("Time used:", dur) 2 方法二： 在 Jupyter 的 cell 开始处加关键字 time，统计代码段运行时间 1%%time 注意：使用该方法可能影响 debug 信息输出，debug 时请注意关闭 3 方法三： 在程序行前加关键字 time，统计代码行运行时间 1%time 程序行 4 方法四： 使用 cProfile 模块生成脚本执行的统计信息文件（运行时间，调用次数），使用 pstats 格式化统计信息，并根据需要做排序分析处理 4.1.1 示例 1234567891011121314151617import cProfileimport pstatsimport redef a(): re.compile("foo|bar")def b(): for i in range(50000): a() ...

英文名称: Auto-Encoding Variational Bayes 中文名称: 自编码变分贝叶斯 论文地址: http://arxiv.org/abs/1312.6114 时间: 2013 作者: Diederik P. Kingma, 阿姆斯特丹大学 引用量: 24840 1 读后感 VAE 变分自编码（Variational Autoencoder）是一种生成模型，它结合了自编码器和概率图模型的思想。它的目标是：解决对复杂性高，且量大的数据难以拟合的问题。具体方法是：使用基于变分推理的原理，以变分下界作为目标函数，用梯度方法求取模型参数。 2 通俗理解 听起来非常抽象，简单地说：变分自编码器是自编码器的改进版。 2.1 自编码器 自编码器通常由编码器和解码器两部分组成，其中编码器将原始数据映射到低维表示，解码器则将低维表示映射回原始数据空间。即：原始数据为 x，将其输入编码器降维后，变成数据 z，再经过编码器还原成数据 x'。它常用于高维数据的低维表示和从低维表示中生成高维数据。比如：图像去噪，修复图片，生成高分辨率图片等。 2.2 变分自编码器 变分自编码器在中间加了一 ...

123456英文名称: SDXL: Improving Latent Diffusion Models for High-Resolution Image Synthesis中文名称: SDXL：改进潜在扩散模型的高分辨率图像合成论文地址: http://arxiv.org/abs/2307.01952代码: https://github.com/Stability-AI/generative-models时间: 2023-07-04作者: Dustin Podell 1 读后感 SD 是语言引导的扩散模型。SDXL 是 2023 年 7 月 Stable Diffusion 新发的大模型框架，它是潜在扩散模型（LDM）扩展。其主要效果是：加强了画面细腻度，优化了构图，以及对语言的理解能力。 我对比了 SD 1.5 和 SDXL 模型，感觉速度差不太多，个人感觉：图片质量，对文字的理解略有提升，可能因为目前 SDXL 的基模比较少，用的还不太多。个人理解，目前阶段，无论是 AI 写作，绘画还是编程，都需要与人和其它工具深度结合，远不到可以独立解决问题，自动生成最终成果的阶段，但确实能提 ...

12345678英文名称: Denoising Diffusion Probabilistic Models中文名称: 去噪扩散概率模型论文地址: http://arxiv.org/abs/2006.11239代码地址 1: https://github.com/hojonathanho/diffusion（论文对应代码 tensorflow）代码地址 2: https://github.com/AUTOMATIC1111/stable-diffusion-webui stable-diffusion-webui/modules/models/diffusion/ddpm_edit.py (推荐 pytorch)时间: 2020-12-16作者: Jonathan Ho, 加州大学伯克利分校引用量: 3286 论文阅读_生成模型_VAE 读后感 论文优化了扩散模型的具体实现，并证明了扩散模型可生成高质量的图像。具体方法是结合扩散概率模型和朗之万动力学去噪的加权变分训练模型。 学习路径 论文中公式很多，有些依赖 DM 论文，VAE 论文，还有跳步，虽然方法部分不长，但是很难读明白。至今看 ...

英文名称: Deep Unsupervised Learning using Nonequilibrium Thermodynamics 中文名称: 使用非平衡热力学原理的深度无监督学习 论文地址: http://arxiv.org/abs/1503.03585 代码地址: https://github.com/Sohl-Dickstein/Diffusion-Probabilistic-Models 时间: 2015-11-18 作者: Jascha Sohl-Dickstein, 斯坦福大学 引用量: 1813 1 读后感 论文目标是建立灵活且易用的数据生成模型。它利用非平衡统计物理学原理：通过扩散过程（少量加噪）系统地、缓慢地破坏数据分布中的结构；然后，学习反向扩散过程，恢复数据结构。 2 介绍 2.1 扩散模型与变分模型 扩散模型与变分模型原理类似，都是将图片拆成一系列高斯分布的均值和方差，而扩散模型是一个逐步变化的过程，主要差别如下： 原理不同：扩散模型使用物理学、准静态过程和退火采样的思想。由于任何平滑目标分布都存在扩散过程，因此理论上该方法可以捕获任意形式的数据分布。 ...